用自编码器学习的高效通道逼近 Hotelling 观测器用于二值信号检测任务
信号处理
2025-08-19 v1 机器学习
摘要
图像质量（IQ）的客观评估已被倡导用于医学成像系统的分析与优化。获得此类 IQ 度量的一种方法是通过数学观测器。贝叶斯理想观测器在定义上对于信号检测任务是最优的，但常常既难以处理又非线性。作为替代，线性观测器有时用于基于任务的影像质量评估。最优线性观测器是 Hotelling 观测器（HO）。计算 HO 的代价随图像尺寸增大而增加，因此降低数据维度是可取的。通道化方法因此目的而流行，并且有许多可用于计算高效通道的竞争方法。在本工作中，提出了一种利用自编码器（AE）学习通道的新方法。AE 是一类人工神经网络（ANN），常用于学习数据的简洁表示以降低维度。修改传统 AE 损失函数以聚焦于任务相关信息，可促成高效 AE 通道的发展。这些 AE 通道在多种信号形状与背景上进行了训练与测试以评估其性能。在实验中，AE 学习的通道可与其他最先进（SOTA）的逼近 HO 的方法相竞争，且经常优于它们。对于训练图像数量少且信号图像估计含噪的数据集，性能提升最大。总体而言，AE 被证明在生成 HO 的高效通道方面可与 SOTA 方法竞争，并能在小数据集上具备更优性能。
引用
@article{arxiv.2003.02321,
title = {Approximating the Hotelling Observer with Autoencoder-Learned Efficient Channels for Binary Signal Detection Tasks},
author = {Jason L. Granstedt and Weimin Zhou and Mark A. Anastasio},
journal= {arXiv preprint arXiv:2003.02321},
year = {2025}
}
备注
10 pages, 7 figures, submitted to IEEE-TMI